0 引言

    復(fù)雜網(wǎng)絡(luò)控制與大數(shù)據(jù)傳輸已經(jīng)成為大數(shù)據(jù)質(zhì)量保障面臨的關(guān)鍵研究問題^[1]，特別是，復(fù)雜網(wǎng)絡(luò)時滯擴(kuò)散性^[1]、同步控制^[2]、應(yīng)急通信網(wǎng)絡(luò)的大數(shù)據(jù)分析^[3]、空地跨域大數(shù)據(jù)通信^[4-5]等問題對大數(shù)據(jù)質(zhì)量的影響嚴(yán)重。為有效解決上述問題，數(shù)據(jù)融合^[6]被引入，并得到廣泛應(yīng)用^[7]。不過，復(fù)雜網(wǎng)絡(luò)的大數(shù)據(jù)融合性能依然受到網(wǎng)絡(luò)復(fù)雜度、數(shù)據(jù)碰撞和外界干擾等因素^[8]制約，這些問題亟待解決。

    在充分考慮網(wǎng)絡(luò)狀況及服務(wù)器之間的通信關(guān)聯(lián)等基礎(chǔ)上，文獻(xiàn)[9]基于OpenFlow網(wǎng)絡(luò)控制器，集中管理網(wǎng)絡(luò)狀態(tài)信息，提出了基于OpenFlow網(wǎng)絡(luò)的數(shù)據(jù)中心服務(wù)器負(fù)載均衡策略，從而有效改善虛擬機(jī)遷移后網(wǎng)絡(luò)擁塞而影響系統(tǒng)性能。文獻(xiàn)[10]研究了具有隨機(jī)噪聲和隨機(jī)概率分布的隨機(jī)鏈路網(wǎng)絡(luò)的最優(yōu)控制問題。為了應(yīng)對大數(shù)據(jù)的影響，文獻(xiàn)[11]將傳統(tǒng)的個人計(jì)算、通信和存儲系統(tǒng)結(jié)合起來，討論了一種有效的信息系統(tǒng)容量，以便在更有自由度的新范式下挖掘信息系統(tǒng)的潛力。文獻(xiàn)[12]首先提出了一個通用的建模框架，描述了在大數(shù)據(jù)流處理所有的任務(wù)關(guān)系語義間的代表，在此基礎(chǔ)上解決了通信成本最小化的問題。文獻(xiàn)[13]提出了一種系統(tǒng)和自動化的方法來建立一個混合的入侵檢測系統(tǒng)，學(xué)習(xí)基于時域的電力系統(tǒng)場景的規(guī)范，包括干擾、正常控制操作和網(wǎng)絡(luò)攻擊等。文獻(xiàn)[14]所提出的區(qū)間自適應(yīng)加權(quán)波長選擇算法采用多模型融合方案，通過減少波長數(shù)量來精準(zhǔn)預(yù)測，自適應(yīng)優(yōu)化選擇波長。在異構(gòu)信息空間中，文獻(xiàn)[15]通過查詢時間上下文關(guān)鍵字，研究了一種時間感知的查詢時實(shí)體識別與數(shù)據(jù)融合方法。

    在已有復(fù)雜網(wǎng)絡(luò)控制、大數(shù)據(jù)傳輸和數(shù)據(jù)融合的一系列研究基礎(chǔ)上，本文從多層概率模型、數(shù)據(jù)傳輸聯(lián)合決策和網(wǎng)絡(luò)寫作控制等多維角度出發(fā)，研究了一種具有高傳輸精度、高傳輸效率和低數(shù)據(jù)融合誤差的網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作融合機(jī)制。

1 多層概率聯(lián)合決策模型

    復(fù)雜異構(gòu)多層網(wǎng)絡(luò)的數(shù)據(jù)采集與緩存機(jī)制以實(shí)時感知數(shù)據(jù)和準(zhǔn)確處理決策信息為核心，消除外界環(huán)境的冗余信息與各類型干擾對網(wǎng)絡(luò)數(shù)據(jù)的質(zhì)量制約。但對于多層網(wǎng)絡(luò)的數(shù)據(jù)采集與傳輸概率控制和維護(hù)系統(tǒng)穩(wěn)定性的決策機(jī)制，成為網(wǎng)絡(luò)大數(shù)據(jù)融合的瓶頸問題。

    首先，假設(shè)一個多層離散線性隨機(jī)網(wǎng)絡(luò)系統(tǒng)如式(1)所示：

其中，N表示多層網(wǎng)絡(luò)的分層數(shù)。

2 網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作融合算法

    基于多層概率聯(lián)合決策的網(wǎng)絡(luò)收集的大數(shù)據(jù)，從主層-分層角度出發(fā)采用S、L描述，如式（7）所示，還可以從信號強(qiáng)度出發(fā)采用H、M、L描述，如式（9）所示。

    綜上所述，網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作融合算法實(shí)施過程如圖3所示。其中，根據(jù)分解3步進(jìn)行三性融合，結(jié)合聯(lián)合決策，以逆變換去噪為驅(qū)動，實(shí)現(xiàn)協(xié)作數(shù)據(jù)融合。

3 實(shí)驗(yàn)結(jié)果分析

    通過在200 m²的室內(nèi)環(huán)境部署50個傳感器節(jié)點(diǎn)，持續(xù)采集100小時的溫度數(shù)據(jù)為網(wǎng)絡(luò)大數(shù)據(jù)源。傳感器節(jié)點(diǎn)采用無源供電方式，會因電池耗盡而消亡，網(wǎng)絡(luò)拓?fù)鋾l(fā)生動態(tài)變化。每個傳感器節(jié)點(diǎn)間隔10 s發(fā)送一次數(shù)據(jù)。可通過是否供電來激活傳感器節(jié)點(diǎn)。本文所提出的網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作融合算法記為CFA-MJD，偽代碼如下：

    采用Java與C++相結(jié)合的方式實(shí)現(xiàn)上述算法，測試不同傳輸精度下的數(shù)據(jù)傳輸速率以及數(shù)據(jù)融合誤差。實(shí)驗(yàn)環(huán)境參數(shù)詳見表1。

    圖4和圖5給出了兩種不同傳輸精度下所提出CFA-MJD算法的數(shù)據(jù)傳輸速率與實(shí)驗(yàn)速率統(tǒng)計(jì)值的對比結(jié)果。對比發(fā)現(xiàn)，當(dāng)傳輸精度為40%時，CFA-MJD算法的傳輸率與實(shí)驗(yàn)值較為接近；當(dāng)傳輸精度為90%時，CFA-MJD算法的傳輸率反而高于實(shí)驗(yàn)值。這表明，所提算法可以有效改進(jìn)網(wǎng)絡(luò)大數(shù)據(jù)傳輸率并且保障較高的傳輸精度。這是因?yàn)樗崴惴ú捎昧硕鄬与S機(jī)網(wǎng)絡(luò)架構(gòu)。基于分層信號干擾和局部不確定因素集，結(jié)合網(wǎng)絡(luò)整體信號傳輸優(yōu)化目標(biāo)需求，通過聯(lián)合決策保持了大數(shù)據(jù)的一致性，并有效降低了數(shù)據(jù)發(fā)生沖突的概率。

    圖6給出了服務(wù)器響應(yīng)延遲為5 s、10 s、15 s和20 s時，所提算法的數(shù)據(jù)融合誤差與實(shí)際統(tǒng)計(jì)誤差的對比結(jié)果。分析發(fā)現(xiàn)，所提算法所采用的在分層協(xié)作控制下對聯(lián)合決策下的接收信號y_U分解即對y_U按層還原，消除冗余信號和逐層更新y_U，以及三性融合，確保了網(wǎng)絡(luò)大數(shù)據(jù)融合精度，并且可以很好地化解服務(wù)器大延遲造成的數(shù)據(jù)誤差。

4 結(jié)束語

    復(fù)雜異構(gòu)網(wǎng)絡(luò)的大數(shù)據(jù)傳輸面臨著效率低下、精度難以得到保障等問題，同時網(wǎng)絡(luò)數(shù)據(jù)傳輸負(fù)荷較大，導(dǎo)致資源利用率較低。為了有效解決上述問題，本文提出了一種基于多層概率網(wǎng)絡(luò)模型和聯(lián)合決策的網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作融合算法。一方面，為多層網(wǎng)絡(luò)的數(shù)據(jù)源及其存儲控制建立實(shí)時感知和分層傳輸處理模型，在此基礎(chǔ)上提出一種具有多層概率協(xié)作的網(wǎng)絡(luò)大數(shù)據(jù)傳輸聯(lián)合決策模型；另一方面，從主層-分層和多層接收信號強(qiáng)度出發(fā)，給出了網(wǎng)絡(luò)大數(shù)據(jù)的多維描述，通過接收信號的3步分解和網(wǎng)絡(luò)的三性融合，提出了網(wǎng)絡(luò)大數(shù)據(jù)協(xié)作數(shù)據(jù)融合算法。實(shí)驗(yàn)統(tǒng)計(jì)和仿真表明，所提算法可以有效改善網(wǎng)絡(luò)大數(shù)據(jù)融合精度、傳輸精度和網(wǎng)絡(luò)效率等性能。

參考文獻(xiàn)

[1] 羅毅平，周筆鋒.時滯擴(kuò)散性復(fù)雜網(wǎng)絡(luò)同步保性能控制[J].自動化學(xué)報，2015，41(1)：147-156.

[2] 張崢，朱炫穎.復(fù)雜網(wǎng)絡(luò)同步控制的研究進(jìn)展[J].信息與控制，2017，46(1)：103-112.

[3] WANG J，WU Y，YEN N，et al.Big data analytics for emergency communication networks：a survey[J].IEEE Communications Surveys & Tutorials，2016，18(3)：1758-1778.

[4] XIONG G，ZHU F，DONG X，et al.A kind of novel ITS based on space-air-ground big-data[J].IEEE Intelligent Transportation Systems Magazine，2016，8(1)：10-22.

[5] LIN K，XIA F，WANG W，et al.System design for big data application in emotion-aware healthcare[J].IEEE Access，2016，4：6901-6909.

[6] CHIOU Y S，TSAI F.A reduced-complexity data-fusion algorithm using belief propagation for location tracking in heterogeneous observations[J].IEEE Transactions on Cybernetics，2014，44(6)：922.

[7] Liu Kaibo，CHEHADE A，Song Changyue.Optimize the signal quality of the composite health index via data fusion for degradation modeling and prognostic analysis[J].IEEE Transactions on Automation Science and Engineering，2017，14(3)：1504-1514.

[8] ALAM F，MEHMOOD R，KATIB I，et al.Data fusion and IoT for smart ubiquitous environments：a survey[J].IEEE Access，2017，5：9533-9551.

[9] 秦華，閻鋼.基于OpenFlow網(wǎng)絡(luò)的數(shù)據(jù)中心服務(wù)器負(fù)載均衡策略[J].計(jì)算機(jī)工程，2016，42(3)：130-137.

[10] GATTAMI A.Optimal network control with stochastic link variations and indefinite quadratic constraints[J].IEEE Transactions on Control of Network Systems，2017，4(2)：259-266.

[11] Fan Pingzhi.Coping with the big data：convergence of communications, computing and storage[J].China Communications，2016，13(9)：203-207.

[12] Gu Lin，Zeng Deze，Guo Song，et.al.A general communication cost optimization framework for big data stream processing in geo-distributed data centers[J].IEEE Transactions on Computers，2016，65(1)：19-29.

[13] PAN S，MORRIS T，ADHIKARI U.Developing a hybrid intrusion detection system using data mining for power systems[J].IEEE Transactions on Smart Grid，2015，6(6)：3104-3113.

[14] 陳曉輝，黃劍.基于iPLS和CARS數(shù)據(jù)融合技術(shù)的波長選擇算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52(16)：229-232.

[15] 楊丹，陳默，王剛，等.異構(gòu)信息空間中時間感知的查詢時實(shí)體識別與數(shù)據(jù)融合[J].計(jì)算機(jī)科學(xué)，2017，44(3)：215-219.

作者信息:

曾康銘，吳  杏

(南寧學(xué)院 信息工程學(xué)院，廣西 南寧530200)